Tesseract训练数据

Question

我试图从收据和账单中提取数据使用Tessaract，我使用的是tesseract 3.02版本。

我只使用英文数据，输出的准确率仍然是60%左右。

是否有任何经过训练的数据可供替换到tessdata文件夹中

Answer 1

这是nicky提供的“典型示例文件”图像：

​

​

看着它，我会清楚地说：“忘了它吧，尼克！你不能训练Tesseract从这种类型的图像中识别100%的文本！”

然而，你可以训练自己用你的iPhone 3GS (这是用于示例图片的设备)从这样的收据中制作更好的照片。以下是一些小贴士：

• 不要使用深色背景。用白色代替。
• 不要让收据纸碎了。把它弄直。
• 不要把收据松散地放在凹凸不平的地下。把它固定在一个平面上：
  • 要么把它放在一张白纸上，然后在上面放一个玻璃压板。
  • 或者用胶水把它平整地粘在一张白纸上，没有任何弯曲的边缘或胶水。

​

• 不要使用像640x480像素这样的低分辨率(如示例图片所示)。使用更高的像素，例如1280x960像素instead.
• Don't使用标准曝光。将相机设置为使用极高的对比度。您希望字母是黑色的，白色背景是真正的白色(您不需要在picture...)
• Try中使用灰度，这样10-12pt字体的任何字符都使用大约24-30像素的高度(也就是说，在100%缩放的情况下，使图像大约为300dpi)。

也就是说，类似下面的ImageMagick命令可能会在一定程度上提高Tesseract的识别率：

convert                               \
   http://i.stack.imgur.com/q3Ad4.jpg \
  -colorspace gray                    \
  -rotate 90                          \
  -crop 260x540+110+75 +repage        \
  -scale 166%                         \
  -normalize                          \
  -colors 32                          \
   out1 .png

它会产生以下输出：

​

​

您甚至可以将类似-threshold 30% 的内容作为最后一个命令行选项添加到上面的命令中，以获得以下结果：

​

​

(您应该使用30%值的一些变体来调整结果...我没有时间做这个。)

Answer 2

使用tesseract从收据中获取准确的信息并非不可能。除了Tesseract之外，你还需要添加图像过滤器和其他一些工具，如OpenCV，NumPy ImageMagick。在2013年PyCon大会上，弗兰克·查斯塔诺尔做了一次演讲，描述了他的公司是如何做到这一点的。

这是链接：http://pyvideo.org/video/1702/building-an-image-processing-pipeline-with-python

Answer 3

在使用Tesseract对文本进行OCR之前，您可以获得更清晰的后处理图像。尝试使用背景曲面阈值(BST)技术，而不是其他简单的阈值方法。您可以找到一份主题为here的白皮书。

有一个用于OpenCV的BST实现，它在https://stackoverflow.com/a/22127181/3475075上工作得很好